Sumber: Hasil Penelitian, 2014 data diolah
Berdasarkan Tabel 5.9, terlihat bahwa nilai Asymp.Sig.2-tailed adalah 0,833, ini berarti nilainya diatas nilai signifikan 5 0.05. dengan kata lain
variabel residual tersebut berdistribusi normal.
5.1.3.2. Uji Multicollinearity
Gejala multikolinieritas dapat dilihat dari besarnya nilai Tolerance dan VIF Variance Inflation Factor, Kedua ukuran ini menunjukkan setiap variabel
independen manakah yang dijelaskan oleh variabel independen lainnya, Tolerance adalah mengukur variabilitas variabel independen yang terpilih yang tidak
dijelaskan variabel independen lainnya. Nilai yang dipakai untuk Tolerance 0,1, dan VIF 5, maka tidak terjadi multikolinieritas. Untuk pengujian
multikolinearitas dilakukan dengan menggunakan variance inflation factor VIF. Data dikatakan tidak mengalami multikolinearitas apabila nilai VIF 5 .
Berdasarkan Tabel 5.10, dapat terlihat bahwa semua data tidak terkena multikolinieritas karena nilai VIF 5 dan nilai Tolerance 0,1 sehingga model
Tabel 5.9. Uji Kolmogrov Smirnov
Unstandardized Residual
N 122
Normal Parameters
a,b
Mean .0000000
Std. Deviation 4.00358846
Most Extreme Differences Absolute
.056 Positive
.034 Negative
-.056 Kolmogorov-Smirnov Z
.622 Asymp. Sig. 2-tailed
.833 a. Test distribution is Normal.
b. Calculated from data.
Universitas Sumatera Utara
regresi layak dipakai untuk memprediksi kinerja pegawai berdasarkan masukan variabel perspektif pelanggan,perspektif keuangan, perspektif proses bisnis
internal, perspektif pembelajaran dan pertumbuhan.
Tabel 5.10. Uji Multikolinieritas
Coefficients
a
Model Collinearity Statistics
Tolerance VIF
1
Constant Perspektif Pelanggan
.506 4.853
Perspektif Keuangan .504
4.908 Perspektif Proses Internal
.763 1.310
Perspektif Belajar dan Tumbuh .733
1.365
a. Dependent Variable: Kinerja Pegawai
Sumber : Hasil Penelitian 2014, lampiran 7
5.1.3.3. Uji Heterokedastisitas
Uji ini bertujuan untuk menguji apakah didalam model regresi terjadi ketidaksamaan varians. Jika varians dari residual satu pengamatan kepengamatan
yang lain tetap, maka disebut homoskedastisitas dan jikaberbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau
tidak terjadi heteroskedastisitas.Ada beberapa cara untuk mendeteksi ada atau tidaknya heteroskedastisitas, yaitu:
1. Analisis Grafik Dasar analisis adalah tidak ada pola yang jelas, serta titik-titik menyebar di
atas dan di bawah angka 0 pada sumbu Y, maka tidak terjadi heteroskedastisitas, sedangkan jika ada pola tertentu, seperti titik-titik yang membentuk pola tertentu
yang teratur, maka mengindikasikan telah terjadi heteroskedastisitas.
Universitas Sumatera Utara
Sumber: Hasil Penelitian, 2014 data diolah
Gambar 5.3 Pengujian Heteroskedastisitas Scatterplot
Berdasarkan Gambar 5.3 dapat terlihat bahwa tidak ada pola yang jelas,serta titik-titik menyebar diatas dan dibawah angka 0 pada sumbu Y, maka
berdasarkan metode grafik tidak terjadi heteroskedastisitas pada model regresi. 2. Analisis Statistik
Pada penelitian ini juga digunakan uji glejser untuk mendeteksi ada atau tidaknya heteroskedastisitas. Nilai signifikan untuk seluruh variabel independen
harus lebih besar dari 0,05 agar data tidak mengalami heteroskedastisitas. Berdasarkan Tabel 5.11, dapat diketahui bahwa tidak satupun variabel bebas yang
signifikan secara statistik mempengaruhi variabel terikat absut . Hal ini terlihat
Universitas Sumatera Utara
dari probabilitas signifikansinya di atas tingkat kepercayaan 0,05 jadi disimpulkan model regresi tidak mengarah adanya heteroskedastisitas.
Tabel 5. 11. Uji Glejser
Coefficients
a
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
7.270 3.170
2.293 .024
Perspektif Pelanggan .049
.113 .088
.439 .661
Perspektif Keuangan -.154
.108 -.285 -1.423
.157 Perspektif Proses Internal
.022 .039
.057 .550
.583 Perspektif Belajar dan
Tumbuh -.009
.041 -.022
-.210 .834
a. Dependent Variable: absut
Sumber: Hasil Penelitian, 2014 lampiran 7
5.1.4. Hasil Uji Hipotesis
